Empowering researchers to achieve more
Mammographies boostées par l'IA : quel est le mécanisme ?
Les mammographies boostées par l'IA utilise principalement des algorithmes d'apprentissage profond, en particulier des réseaux de neurones convolutifs (CNN), pour analyser et interpréter les images de mammographie.
2/8/2025
Mammographies boostées par l'IA : quel est le mécanisme ?
La mammographie boostée par l'IA utilise principalement des algorithmes d'apprentissage profond, en particulier des réseaux de neurones convolutifs (CNN), pour analyser et interpréter les images de mammographie [1,2]. Ces algorithmes sont entraînés sur de grands ensembles de données de mammographies pour détecter et caractériser les lésions mammaires, évaluer la densité du sein et prédire le risque de cancer.
Le mécanisme de l'IA dans la mammographie implique :
1. Analyse de l'image : Les systèmes d'IA traitent les images de mammographie pour identifier les zones potentiellement préoccupantes, telles que les masses, les calcifications ou les distorsions architecturales [1,2].
2. Extraction des caractéristiques : Les algorithmes extraient les caractéristiques pertinentes des images, qui peuvent inclure des motifs visibles et subtils qui pourraient ne pas être facilement discernables par l'œil humain [1,3].
3. Évaluation du risque : Certains systèmes d'IA attribuent des scores de risque aux mammographies, indiquant la probabilité de malignité [4]. Ces scores peuvent aller d'un risque faible à un risque élevé, ce qui permet de classer les cas par ordre de priorité en vue d'une évaluation plus approfondie.
Il est intéressant de noter que des études ont montré que les systèmes d'IA les plus performants en matière de détection du cancer ne s'appuient pas uniquement sur les lésions mammaires localisées pour prendre leurs décisions. Au contraire, ils intègrent des informations provenant de régions plus vastes de l'image, ce qui suggère une approche d'analyse plus complète [1].
En conclusion, la mammographie boostée par l'IA s'appuie sur des algorithmes d'apprentissage profond pour améliorer la précision et l'efficacité du dépistage du cancer du sein. En analysant les caractéristiques complexes des images et en intégrant divers points de données, ces systèmes visent à aider les radiologues à améliorer les taux de détection du cancer tout en réduisant les faux positifs et les cancers manqués [5,2].
Référebces
1. Pertuz S, Ortega D, Suarez É, Cancino W, Africano G, Rinta-Kiikka I, et al. Saliency of breast lesions in breast cancer detection using artificial intelligence. Scientific reports. Springer Nature; 2023;13.
2. Yoon, J. H., & Kim, E. K. (2021). Deep learning-based artificial intelligence for mammography. Korean journal of radiology, 22(8), 1225.
3. Vicini, S., Bortolotto, C., Rengo, M., Ballerini, D., Bellini, D., Carbone, I., ... & Faggioni, L. (2022). A narrative review on current imaging applications of artificial intelligence and radiomics in oncology: Focus on the three most common cancers. La radiologia medica, 127(8), 819-836.
4. Larsen M, Mikalsen KØ, Olstad CF, Auensen S, Martiniussen MA, Lång K, et al. AI Risk Score on Screening Mammograms Preceding Breast Cancer Diagnosis. Radiology. Radiological Society of North America Inc.; 2023;309.
5. Schaffter, T., Buist, D. S., Lee, C. I., Nikulin, Y., Ribli, D., Guan, Y., ... & DM DREAM Consortium. (2020). Evaluation of combined artificial intelligence and radiologist assessment to interpret screening mammograms. JAMA network open, 3(3), e200265-e200265.